An evaluation of task performance capabilities in a network-centric system with neural networks usage
The study considers the problem touching upon analyzing the military unit capabilities. The ability to accurately assess and predict the functional potential of the units is outstanding for effective strategic and operational planning. Established methodologies use strict calculation algorithm and m...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , , , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут проблем реєстрації інформації НАН України
2025
|
| Теми: | |
| Онлайн доступ: | https://drsp.ipri.kiev.ua/article/view/354610 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Data Recording, Storage & Processing |
| Завантажити файл: |  |
Репозитарії
Data Recording, Storage & Processing| _version_ | 1867479069155655680 |
|---|---|
| author | Бойченко, А. В. Додонов, В. О. Залужний, В. Ф. Ізварін, Є. І. |
| author_facet | Бойченко, А. В. Додонов, В. О. Залужний, В. Ф. Ізварін, Є. І. |
| author_institution_txt_mv | [
{
"author": " А. В. Бойченко",
"institution": "Інститут проблем реєстрації інформації НАН України "
},
{
"author": "В. О. Додонов",
"institution": "Інститут проблем реєстрації інформації НАН України "
},
{
"author": "В. Ф. Залужний",
"institution": "Інститут проблем реєстрації інформації НАН України "
},
{
"author": "Є. І. Ізварін",
"institution": "Інститут проблем реєстрації інформації НАН України "
}
] |
| author_sort | Бойченко, А. В. |
| baseUrl_str | http://drsp.ipri.kiev.ua/oai |
| collection | OJS |
| datestamp_date | 2026-06-08T07:18:31Z |
| description | The study considers the problem touching upon analyzing the military unit capabilities. The ability to accurately assess and predict the functional potential of the units is outstanding for effective strategic and operational planning. Established methodologies use strict calculation algorithm and mandatory formulas. Their limitation is an inflexibility during the crucial stages of result verification and validation. To overcome these constraints, a neural network–based framework for capability assessment is proposed. A key novelty is providing a continuous scale of assessment, offering a more nuanced view than traditional classifications. The formation of a training dataset can be carried out using two approaches. The first approach relies on human expert evaluation, where a specialist determines the capability level of a unit based on a predefined scale. The second approach involves the automated generation of labels using formulas, where a specific importance coefficient is assigned to each parameter. Within the suggested distributed architecture, each neural networks handle capability evaluation levels, ensuring modularity, scalability, and system resilience. To build the system can be used open software libraries for machine learning, data collection, and analysis. The approach simplifies the update process for individual system nodes. Input and output parameters can be changed or edited without the need to retrain the network. The results can be deployed into analytical support systems for military commanders and staff at all levels of command and control. The implementation of the system contributes directly to mission success and force preservation by reducing the probability of assigning unattainable or impossible tasks to subordinate units. Fig.: 5. Refs: 17 titles. |
| doi_str_mv | 10.35681/1560-9189.2025.27.3.354610 |
| first_indexed | 2026-04-13T01:00:05Z |
| format | Article |
| fulltext |
Експертні системи та підтримка прийняття рішень
98
DOI: 10.35681/1560-9189.2025.27.3.354610
УДК 004.5
А. В. Бойченко, В. О. Додонов, В. Ф. Залужний, Є. І. Ізварін
Інститут проблем реєстрації інформації НАН України
вул. М. Шпака, 2, 03113 Київ, Україна
Оцінка спроможностей виконання завдань
у мережево-центричній системі із використанням
нейронних мереж
Розглянуто питання оцінки спроможностей військових підрозділів, що
є надзвичайно актуальним у сучасних умовах. Показано що формульні
методики оцінювання потребують удосконалення, зокрема уточнення
результатів і підвищення швидкості розрахунків, особливо у випадках,
коли розраховане значення знаходиться на межі між категоріями зна-
чень спроможностей. Запропоновано систему із використанням ней-
ронних мереж для оцінки спроможностей, яка дозволить значно підви-
щити точність, об’єктивність та оперативність розрахунку спромож-
ностей і можливостей військових підрозділів. Результати може бути
інтегровано у системи військової аналітики, що покращить ситуаційну
обізнаність командування та дозволить уникати свідомо нездійсненних
завдань.
Ключові слова: нейромережа, спроможність, можливість, штучний
інтелект.
Постановка проблеми
У сучасних реаліях усе більшої актуальності набуває проблема об’єктивної
оцінки людського потенціалу, тобто інтегрального показника фізичного та психое-
моційного стану особи, що визначає її спроможність. Традиційні методи формуль-
ного підходу оцінювання спроможності військових надають лише узагальнене уя-
влення про рівень готовності, тоді як сучасні технології штучного інтелекту та ней-
ронних мереж відкривають нові можливості у створенні систем, що здатні оброб-
ляти великі обсяги даних і формувати комплексну та детальну оцінку стану людини.
У сучасних умовах військової служби виникає потреба у швидких та об’єктив-
них методах оцінювання стану військовослужбовців. Традиційні підходи, які базую-
ться на спостереженнях командирів або медичних оглядах, є важливими, проте ча-
сто суб’єктивними та не дозволяють вчасно виявити приховані проблеми, що впли-
вають на боєздатність. У бойових ситуаціях навіть незначні відхилення у фізично-
© А. В. Бойченко, В. О. Додонов, В. Ф. Залужний, Є. І. Ізварін
Оцінка спроможностей виконання завдань
у мережево-центричній системі з використанням нейронних мереж
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 99
му чи психоемоційному стані можуть суттєво знизити результативність виконання
завдань, а тому необхідний новий, інтегрований підхід.
Особливу цінність має комплексна оцінка потенціалу, яка враховує не лише
окремі фізіологічні показники, але й психоемоційні та поведінкові фактори. Така
інтегральна метрика дозволяє отримати цілісне уявлення про стан людини в конк-
ретний момент часу та його готовність до виконання поставлених завдань. Запро-
понована шкала від 0 до 100 балів із чітким поділом на рівні забезпечує простоту
інтерпретації для операторів і командирів, створюючи умови для оперативного ух-
валення рішень у військових підрозділах.
Застосування нейронних мереж для аналізу цих даних відкриває нові можли-
вості у сфері військової аналітики. Завдяки здатності до навчання та обробки вели-
ких масивів інформації вони можуть не лише підвищити точність оцінювання, але
й забезпечити прогнозування стану військовослужбовців у майбутньому. Це ство-
рює основу для побудови масштабованої системи контролю боєздатності, яка до-
зволить значно підвищити результативність управління підрозділами у складних і
динамічних умовах.
Дослідження сфокусоване на створенні нейронної мережі першого рівня, яка
відповідає за розрахунок індивідуальної спроможності окремого військовослуж-
бовця, підготовці синтетичних даних та залученні експертних оцінок для форму-
вання розміченої вибірки, що є ключовою умовою якісного навчання нейронної ме-
режі.
Аналіз останніх досліджень і публікацій
Аналіз робіт [2, 3] та військового навчального посібника [4] показав, що в них
лише частково розкриваються питання розрахунку бойових спроможностей частин,
тобто підрозділів, з ураження противника. Також у методичному посібнику [5] ви-
значено методики розрахунку часу на підготовку підрозділів до ведення бою, роз-
рахунок маршу, участі протитанкових засобів і засобів протиповітряної оборони в
бою, але не наведено загальну методику розрахунку вогневих спроможностей і
спроможності з ураження живої сили механізованого підрозділу на тактичному рів-
ні.
Нейронні мережі стають невід’ємною частиною модернізації військових ана-
літичних систем, забезпечуючи вищу точність і швидкість аналізу даних і прий-
няття рішень у динамічних бойових умовах [6].
Значна увага приділяєтьчя задачам розпізнавання, таким як автоматичне ви-
явлення та класифікація об’єктів на зображеннях і відео з безпілотних літальних
апаратів, що є одними з найбільш поширених напрямків застосування нейронних
мереж. Використання CNN (Convolutional Neural Networks) дозволяє ефективно
розпізнавати рухомі об’єкти, розпізнавати типи та загрози, що підвищує ситуаційну
обізнаність і швидкість реакції військових систем [7–9].
Мережево-центричні системи (Network-Centric Warfare, NCW) інтегрують да-
ні від багатьох різних джерел, створюючи розумну мережу, де нейронні мережі за-
стосовуються для обробки та координування інформації. Нейронні мережі забезпе-
чують моделювання взаємодії між підсистемами, аналіз і прогнозування поведін-
ки супротивника, та оптимізацію ресурсів у реальному часі. Наведений приклад де-
А. В. Бойченко, В.О.Додонов, В.Ф. Залужний, Є.І. Ізварін
100
монструє підвищення швидкості обробки запитів і покращення використання ресу-
рсів [10].
Оцінка бойової спроможності стає важливим аналітичним завданням, яке мож-
на підтримати нейронними мережами разом із методами графових моделей. Напри-
клад, у статті [11] запропоновано метод моделювання двопольової (two-terminal)
зв’язності мережі із застосуванням методу Монте-Карло для оцінки стійкості.
Багато публікацій зосереджені на підвищенні автономності систем, інтеграції
мультиагентних мереж і гібридних підходах, що поєднують нейронні мережі з си-
мволічним штучним інтелектом, також зростає використання нейромережевих те-
хнологій у кіберзахисті, футуристичних безпілотних платформах і аналітиці вели-
ких даних [12–14].
Метою роботи є розробка першого рівня масштабованої нейронної системи,
що дозволяє оцінювати потенціал спроможності окремого військовослужбовця на
основі низки фізіологічних і поведінкових параметрів. На основі визначених пара-
метрів розраховуються декілька ключових спроможностей, сукупність яких дозво-
ляє отримати цілісне уявлення про рівень фізичної витривалості, когнітивної стабі-
льності та загальної готовності військовослужбовця до виконання завдань.
Вихідним результатом роботи системи є інтегральний показник потенціалу в
діапазоні від 0 до 100 балів, що інтерпретується за кількісними рівнями: від майже
повної втрати сил і депресивного стану (0–20) до максимальної готовності та здо-
рового функціонального стану (80–100). Для узагальнення індивідуальних показ-
ників на рівні підрозділу передбачено використання різних математичних методів
усереднення. Це забезпечує гнучкість у підходах до інтеграції даних і дозволяє оби-
рати метод усереднення залежно від специфіки поставлених завдань.
Основна частина
Система розрахунку спроможностей є складовою частиною більш масштаб-
ної задачі з підтримки процесу прийняття рішень у військовому управлінні. Основ-
на мета полягає у забезпеченні можливості об’єктивної оцінки потенціалу як окре-
мих елементів, так і комплексних угруповань сил (батальйонів та бригад). Оскільки
оцінка спроможностей вищих підрозділів та угруповань формується з менших під-
розділів (взводів і рот) то значимість оцінки окремих не одноманітних елементів
системи у вигляді військовослужбовців значно зростає.
Завдяки цій системі командири та аналітики отримують інструмент для оці-
нювання спроможностей підрозділів на різних рівнях ієрархії, з можливістю досту-
питися до інформації нижніх рівнів та окремих військовослужбовців [1]. Викорис-
тання подібної системи сприяє більш точному прогнозуванню результатів операцій,
оптимізації розподілу ресурсів і підвищенню узгодженості дій між підрозділами.
Тобто система підтримки прийняття рішень і її конкретна задача з розрахунку спро-
можностей стає ключовим компонентом у формуванні адаптивної і науково обґрун-
тованої моделі планування операцій військовими .
Під поняттям потенціалу у даному дослідженні розуміється комплексний по-
казник, що характеризує фізичні, психоемоційні та поведінкові ресурси особи. На
відміну від традиційних вимірювань, які оцінюють окремі параметри, потенціал ро-
зглядається як інтегральна метрика, що здатна відобразити загальну спроможність
Оцінка спроможностей виконання завдань
у мережево-центричній системі з використанням нейронних мереж
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 101
людини виконувати поставленні завдання у даний момент часу [2]. Розподіл зна-
чень за діапазонами дозволяє класифікувати стан людини:
0–20 балів — критично низький потенціал, що вказує на виснаження, втрату
сенсу, апатію чи депресивний стан;
20–40 балів — знижений потенціал, при якому наявні соціальні чи побутові
труднощі, підвищений рівень стресу;
40–50 балів — середній потенціал, відносно стабільний стан з окремими про-
блемами;
50–80 балів — високий потенціал, що свідчить про гарне самопочуття, стій-
кість і мінімальні труднощі;
80–100 балів — максимально можливий рівень реалізації, відсутність скарг і
повне задоволення життям.
Запропонована система оцінювання є зручною та інтуїтивно зрозумілою для
сприйняття оператором чи командиром, оскільки вона подає результати у вигляді
єдиної числової шкали від 0 до 100 із чітким поділом на рівні. Такий підхід дозво-
ляє без зайвих інтерпретацій одразу визначати поточний стан військовослужбовця
та рівень його готовності до виконання завдань. Простота системи особливо важ-
лива у сфері військової підготовки і управління підрозділами, де критично важливо
мати швидкий і водночас об’єктивний інструмент оцінки. Завдяки цьому коман-
дири отримують можливість оперативно ухвалювати рішення, наприклад, щодо пе-
рерозподілу сил, надання відпочинку чи зміни завдань, що безпосередньо впливає
на збереження боєздатності та успішність виконання операцій.
Для розрахунку спроможностей показники, які аналізуються, розділено на кі-
лька груп: фізичні, психофізіологічні, когнітивні та біохімічні. Такий поділ дозво-
ляє системно оцінювати стан військовослужбовця не лише з точки зору його фізи-
чної витривалості, а й враховувати низку інших показників і поведінкові характе-
ристики в бойових умовах. Для роботи нейронної мережі визначено список ключо-
вих параметрів, які мають прямий вплив на фізіологічний і психоемоційний стан
людини, а саме:
1) нижній артеріальний тиск крові обрано 80–85 мм рт. ст.;
2) верхній артеріальний тиск крові обрано 120–160 мм рт. ст.;
3) частота серцебиття — 40–120 ударів за хвилину;
4) кількість дихань за хвилину — 10–30;
5) вага тіла — 50–120 кг;
6) зріст — 150–200 см;
7) рівень алкоголю в крові — 0–0,3 проміле;
8) кількість годин сну за останню добу — 3–10 годин.
У даній нейронній мережі для прикладу обрано лише фізіологічну групу па-
раметрів, що охоплює базові показники життєдіяльності людини серцево-судинної,
дихальної, антропометричної, токсикологічної і відновлювальної систем. Такий
підхід дозволяє зосередитися на найбільш об’єктивних і вимірюваних характерис-
тиках організму, забезпечуючи наочність роботи моделі та спрощуючи початковий
етап аналізу стану службовця. Ці показники обрані у середньому та цілком адекват-
ному діапазоні для пересічної людини. Водночас їх завжди можна відкоригувати та
налаштувати точніше, враховуючи те, що заміри проводитимуться на військових,
які регулярно зазнають підвищеного фізичного навантаження. Саме тому для більш
А. В. Бойченко, В.О.Додонов, В.Ф. Залужний, Є.І. Ізварін
102
коректного визначення параметрів доцільно отримати рекомендації щодо допусти-
мих діапазонів від профільного спеціаліста — як цивільного лікаря, так і військо-
вого медика. Це дозволить адаптувати норми не лише під стандартні умови, але й
під специфіку служби та фізичних випробувань, з якими стикається військовий у
своїй діяльності.
Вибір зазначених параметрів ґрунтується на їхньому безпосередньому впливі
на фізіологічний і психоемоційний стан людини, а також на кореляції зі спромож-
ністю виконувати завдання. Артеріальний тиск, частота серцебиття та кількість ди-
хальних рухів відображають рівень функціонування серцево-судинної і дихальної
систем, що є критичними для підтримання життєдіяльності та стійкості до наван-
тажень. Вага та зріст визначають антропометричні характеристики, які впливають
на витривалість і швидкість втомлюваності організму. Рівень алкоголю в крові є
показником функціонального стану нервової системи та когнітивних здібностей, а
кількість годин сну безпосередньо пов’язана з відновленням енергетичного потен-
ціалу, концентрацією уваги та стійкістю до стресів. Таким чином, ці параметри є
комплексним відображенням основних фізіологічних процесів, що формують здат-
ність людини до результативного виконання завдання.
Крім того, зазначені показники мають високу практичну цінність, оскільки
вони можуть бути виміряні в режимі реального часу за допомогою сучасних сенсо-
рів і портативних пристроїв. Це відкриває можливість організації безперервного
моніторингу стану кожного солдата безпосередньо на полі бою. Отримані дані пе-
редаються на сервер, де вони обробляються нейронними мережами першого рівня,
а результати інтегруються у системи вищих рівнів (взвод, рота тощо). Завдяки
цьому оператор чи командир отримує актуальну інформацію про боєздатність як
окремих військовослужбовців, так і підрозділу загалом, що дозволяє оперативно
ухвалювати управлінські рішення та підвищувати результативність виконання бо-
йових завдань. За допомогою вищезазначених параметрів будуть розраховані на-
ступні визначені спроможності:
— спроможність пробігти 5 км;
— спроможність пройти технічний тест;
— спроможність проплити 3 години;
— спроможність адекватно водити машину;
— спроможність працювати вночі.
Для створення оцінки спроможності обрані найбільш загальні цілі для вико-
нання. Цей вибір може бути змінено, розширено та удосконалено. Вони охоплюють
як фізичну витривалість і технічні знання, так і здатність до адаптації у складних
умовах. Сукупність цих характеристик дозволяє комплексно оцінити рівень готов-
ності особового складу до виконання завдань у різних бойових і навчальних ситуа-
ціях.
Підготовка даних і навчання нейронної мережі
Для навчання нейронної мережі можуть використовуватися два основні під-
ходи: застосування синтетично згенерованих даних або використання даних, нада-
них експертами, які спеціалізуються у відповідній сфері. Для формування синте-
тичних наборів інформації у визначених діапазонах параметрів було створено ок-
ремий програмний модуль. Оператор задає допустимі межі для кожного параметра,
Оцінка спроможностей виконання завдань
у мережево-центричній системі з використанням нейронних мереж
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 103
після чого алгоритм автоматично генерує числові значення в межах заданого діа-
пазону. Завдяки такому підходу можна отримати значний обсяг навчальних даних,
які моделюють можливі фізіологічні стани організму людини в межах норми.
Окрім цього, гнучкість у налаштуванні діапазонів дозволяє адаптувати дані
під різні сценарії і групи людей від звичайних користувачів до військовослужбов-
ців, які перебувають у специфічних умовах підвищеного фізичного навантаження.
Це робить методику універсальною та корисною як для попереднього моделювання,
так і для подальшого практичного використання нейронної мережі.
Наведемо фрагмент з коду по генерації параметрів:
data = {
'low_blood_pressure': np.random.randint(60, 100, num_samples),
'high_blood_pressure': np.random.randint(100, 160, num_samples),
'heartbeat_rate': np.random.randint(40, 120, num_samples),
'inhales_per_min': np.random.randint(10, 30, num_samples),
'weight': np.round(np.random.uniform(50, 120, num_samples), 1),
'height': np.round(np.random.uniform(150, 200, num_samples), 1),
'alcohol_level': np.round(np.random.uniform(0, 0.3, num_samples), 3),
'sleep_duration': np.round(np.random.uniform(3, 10, num_samples), 1),}.
Однак самі по собі ці сирі дані не є достатніми для формування якісної моделі,
оскільки вони не містять інформації про очікувані значення спроможностей. Для
того, щоб нейронна мережа могла виконувати точні розрахунки та робити прогнози,
які максимально відповідають реальності, необхідно створити тренувальну вибірку
з розміткою (ground truth). Експертні дані забезпечують високу достовірність і на-
ближеність до реальних умов, тоді як синтетичні дані дозволяють швидко створю-
вати великі масиви прикладів без обмежень, пов’язаних із доступом до реальних
вимірів.
Формування розміченої тренувальної вибірки може здійснюватися двома під-
ходами. Перший полягає в тому, що дані оцінюються людиною-експертом. Фахі-
вець, проаналізувавши фізіологічні показники конкретного військовослужбовця
або групи, визначає рівень його (їхньої) спроможності за встановленою шкалою [3].
Таким чином, створюється набір еталонних значень, які нейронна мережа викорис-
товує як правильні результати для навчання. Другий підхід передбачає автоматич-
не формування розмітки за допомогою математичних формул, де для кожного па-
раметра встановлюється коефіцієнт важливості. Наприклад, для оцінки спромож-
ності пробігти 5 км визначальними будуть показники маси тіла та зросту, тоді як
для оцінки здатності працювати вночі більш суттєвий вплив матиме кількість годин
сну за останню добу. Такий метод дозволяє стандартизувати процес оцінювання та
мінімізувати суб’єктивний вплив людського фактору.
Окрему увагу слід приділити методам розрахунку спроможностей підрозділів
колективного рівня, зокрема взводів. Оскільки кожен боєць має власні індивідуа-
льні показники, загальна оцінка взводу формується шляхом узагальнення даних
усіх його членів. Для цього можуть застосовуватися різні математичні методи усе-
реднення (рис. 1):
— середнє арифметичне просте;
— середнє арифметичне зважене;
А. В. Бойченко, В.О.Додонов, В.Ф. Залужний, Є.І. Ізварін
104
— середнє гармонійне;
— середнє геометричне;
— середнє квадратичне.
Рис. 1. Формули методик розрахунку середніх значень
Кожен із цих підходів має власні переваги та сферу застосування. Наприклад,
просте середнє дозволяє швидко отримати загальну оцінку, тоді як зважене врахо-
вує різний ступінь важливості окремих військовослужбовців (наприклад, командир
може мати вищий коефіцієнт значущості). Використання гармонійного чи геомет-
ричного середнього дає змогу точніше врахувати крайні значення, а квадратичне
середнє відобразити варіативність у показниках. Таким чином, вибір методу усере-
днення безпосередньо впливає на кінцеву інтерпретацію результатів.
Архітектура системи розрахунку спроможностей
Нейронна мережа першого та другого рівнів є частиною масштабованої сис-
теми розрахунку спроможностей взводів та інших підрозділів, яка складається з ба-
гатьох взаємопов’язаних мереж, що показано на рис. 2 та розглядалась у статті [4]
про сучасний підхід до розрахунків можливостей і спроможностей виконання зав-
дань військовими підрозділами з використанням штучного інтелекту. У такій ме-
режево-центричній розподіленій архітектурі кожна нейронна мережа відповідає за
свій рівень оцінки спроможностей, що надає системі високу модульність, масшта-
бованість і стійкість до відмов. Такий підхід значно спрощує оновлення окремих
вузлів системи. Зокрема, можна легко змінювати або редагувати вхідні та вихідні
параметри без потреби у повному перенавчанні всієї мережі. За необхідності допу-
скається збільшення кількості нейронів у конкретному блоці, після чого цей блок
можна повторно «під’єднати» до системи. Окрім цього, розподілена структура ме-
режі полегшує керування обчислювальними ресурсами, спрощує діагностику та
локалізацію можливих помилок під час роботи системи.
Оцінка спроможностей виконання завдань
у мережево-центричній системі з використанням нейронних мереж
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 105
Рис. 2. Архітектура взаємопов’язаних нейромереж
На першому рівні працюють нейронні мережі типу 1.x, кожна з яких обчис-
лює потенціал окремого солдата на основі індивідуальних даних (тиск, серцебиття,
сон тощо). Це найнижчий рівень, що відображає стан однієї людини. Якщо параме-
три P1.1.1–P1.1.m відображають індивідуальні фізіологічні показники кожного вій-
ськовослужбовця, то P2.1.1–P2.1.v — це параметри, які мають значення виключно
на рівні взводу і необхідні для коректної оцінки його спроможності. До них нале-
жать злагодженість колективу, кваліфікація та досвід командира, розподіл ролей і
спеціалізацій, напрями та завдання діяльності взводу, логістична забезпеченість,
комунікаційна сумісність, морально-психологічний стан та інші організаційно-так-
тичні характеристики. Ці показники не вимірюються для кожного бійця окремо, а
визначаються на рівні групи. Поєднання параметрів P1.1.m і P2.1.1–P2.1.v надає
більш повну, реалістичну картину можливостей і спроможностей взводу, що дозво-
ляє точніше приймати менш ризиковані тактичні рішення.
Дані, що отримані від мереж першого рівня, подаються на усереднювач, а вже
звідти на вхід мереж другого рівня (2.x), які вже оцінюють потенціал взводу як бо-
йової одиниці. Таким чином, один блок другого рівня, ґрунтуючись на спромож-
ностях кожного солдата, який знаходиться у складі взводу, розраховує його оцінку
спроможності. Аналогічно, мережі третього рівня (3.x) об’єднують дані взводів і
формують показник для роти. На вищих рівнях можливе агрегування аж до масш-
табу батальйону чи усієї бригади.
Таким чином, архітектура нейронної системи побудована за принципом ієрар-
хічної багаторівневої агрегації, де кожен наступний рівень інтегрує результати по-
передніх. Це дозволяє отримати не лише індивідуальну оцінку стану солдата, але й
комплексне уявлення про боєздатність усього підрозділу.
А. В. Бойченко, В.О.Додонов, В.Ф. Залужний, Є.І. Ізварін
106
На рис. 3 подано загальну схема всього процесу та роботу системи розрахунку
спроможностей взводу. Вона демонструє повний шлях даних: від генерації синте-
тичних значень і їхньої подальшої обробки нейронною мережею, навчанню якої
передувало формування розмічених тренувальних вибірок експертами або за допо-
могою математичних формул, до отримання результатів у вигляді кількісної оцінки
спроможностей кожного окремого військовослужбовця. Подальше усереднення
цих індивідуальних результатів дозволяє сформувати інтегральний показник боє-
здатності взводу. Такий підхід не лише забезпечує більш точне відображення реа-
льного стану підрозділу, але й створює основу для прогнозування його спромож-
ності у виконанні майбутніх бойових завдань.
Рис. 3 Загальна схема розрахунку спроможності взводу (нейромережі 1 рівня)
На початковому етапі до системи подаються дані про особовий склад, які мо-
жуть бути як синтетично згенерованими, так і наданими експертами. У цих даних
заздалегідь визначаються ключові параметри фізіологічного та функціонального
стану людини, що дозволяє уніфікувати підхід до обробки інформації.
Далі ці дані передаються на вхід першого рівня нейронної мережі. Особливіс-
тю цього рівня є те, що він спеціалізується виключно на індивідуальному розрахун-
ку спроможностей кожного військовослужбовця у складі взводу. У результаті сис-
тема формує набір характеристик, що відображають можливості конкретного вій-
ськового в межах поставлених завдань.
Наступним кроком є узагальнення отриманих результатів. Розраховані інди-
відуальні показники кожного військовослужбовця передаються у спеціальний блок
Оцінка спроможностей виконання завдань
у мережево-центричній системі з використанням нейронних мереж
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 107
усереднення, який агрегує їх і формує узагальнену оцінку спроможностей усього
взводу як цілісного підрозділу. Таким чином, вдається поєднати індивідуальні ха-
рактеристики з колективними можливостями, що забезпечує більш точне моделю-
вання боєздатності.
Отримана інформація має ключове значення не лише для аналізу поточного
стану взводу, а й для масштабування системи. На основі цих даних можна здійсню-
вати розрахунки для більших тактичних угруповань від роти до батальйону. Це від-
криває можливості для багаторівневого прогнозування, планування ресурсів і адап-
тації системи до реальних умов бойового застосування.
Нейронна мережа реалізована засобами мови програмування Python. Першим
і найважливішим етапом є навчання моделі на підготовлених даних. Для цього мо-
жуть використовуватись як синтетично згенеровані дані, так і набори даних, ство-
рені експертами у відповідній галузі [5]. Від якості та походження навчальних при-
кладів значною мірою залежить кінцевий результат роботи мережі. У програмному
коді передбачено можливість налаштування основних гіперпараметрів, зокрема:
— кількість епох навчання, що визначає, скільки разів нейронна мережа про-
йде через увесь навчальний датасет;
— кількість нейронних шарів, які формують архітектуру моделі;
— кількість нейронів у кожному шарі, що впливає на здатність мережі до уза-
гальнення та точність обчислень;
— розмір батчу (batch size), який визначає, скільки прикладів використовує-
ться під час одного кроку навчання.
Загалом, збільшення кількості епох, ускладнення архітектури (додавання ша-
рів і нейронів) і використання більш якісних даних сприяє підвищенню точності та
стабільності роботи нейронної мережі. Водночас занадто велика кількість епох або
надмірна глибина моделі може призвести до перенавчання, тому підбір параметрів
вимагає обережності.
Фрагмент коду задання параметрів кількості епох:
history = model.fit(
X_train_scaled, y_train,
epochs=150,
batch_size=32,
validation_split=0.2,
verbose=1).
У наведеному прикладі використовується 150 епох навчання та розмір батчу
32. Частина даних автоматично виділяється для валідації (20 %), що дозволяє відс-
тежувати якість навчання на кожному кроці.
Фрагмент коду створення 4-шарової нейронної мережі зі 128 нейронами на
початковому шарі:
model = keras.Sequential([
layers.Dense(128, activation='relu', input_shape=(X_train.shape[1],)),
layers.Dropout(0.3),
layers.Dense(64, activation='relu'),
layers.Dense(32, activation='relu'),
А. В. Бойченко, В.О.Додонов, В.Ф. Залужний, Є.І. Ізварін
108
layers.Dense(5)]).
Архітектура передбачає використання чотирьох шарів, які показано на рис. 4
з різною кількістю нейронів, а також шару Dropout, який допомагає зменшити ймо-
вірність перенавчання моделі. Після навчання мережу перевіряють на тестовому
наборі даних, що містить об’єктивно правильні відповіді, які відповідають дійснос-
ті. Це дозволяє оцінити реальну точність роботи алгоритму.
Рис. 4. Схематичне зображення нейронної мережі та демонстрація її шарів
Надалі, після завершення етапу навчання, нейронна мережа була протесто-
вана на різних наборах даних, що дозволяє оцінити її здатність до узагальнення та
правильності обчислень. Для перевірки їй окремо подавалися синтетично згенеро-
вані дані та дані, що підготовлені експертами у цій галузі. Такий підхід дозволив
не лише оцінити точність роботи моделі, але й виявити відмінності у впливі різних
типів інформації на результати прогнозування.
Аналіз отриманих результатів, наведений на рис. 5, демонструє чітку тенден-
цію: синтетичні дані виявилися менш надійними та забезпечили нижчу точність
порівняно з даними, створеними фахівцями. Це пояснюється тим, що випадково
згенеровані параметри не завжди здатні адекватно відобразити усю складність і ба-
гатофакторність реальних фізіологічних і психоемоційних станів людини. Нато-
Оцінка спроможностей виконання завдань
у мережево-центричній системі з використанням нейронних мереж
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 109
мість експертні дані враховують досвід і професійні знання спеціалістів, що робить
їх більш наближеними до практичних умов.
Таким чином, результати експерименту підкреслюють критичну важливість
використання експертних знань при формуванні якісних навчальних вибірок [15].
У подальших дослідженнях доцільним буде поєднання обох підходів: синтетичні
дані можна використовувати для масштабування та збільшення обсягу навчальної
вибірки, тоді як експертні дані залишаються базовим еталоном для забезпечення
високої достовірності та точності моделі. Така комбінація здатна створити оптима-
льний баланс між кількістю і якістю даних, що, в свою чергу, підвищить точність
роботи нейронної мережі.
Рис. 5. Результат оцінки спроможностей бійця
Для побудови та навчання моделі використано такі бібліотеки:
NumPy — обробка масивів числових даних, генерація випадкових значень для
синтетичних експериментів;
Pandas — збереження даних у форматі таблиць, фільтрація та агрегація;
TensorFlow — створення архітектури нейронної мережі, запуск процесу нав-
чання і оптимізації, оцінка точності моделі.
Такий інструмент розрахунку спроможностей окремих елементів дозволяє
формалізовано моделювати внесок кожного військовослужбовця в загальну ефек-
тивність системи шляхом агрегування його індивідуальних показників. Застосу-
вання цього підходу забезпечує можливість підбору, комбінування та формування
оптимального складу підрозділу для розв’язання конкретного завдання з найвищим
рівнем результативності та успіху, з урахуванням сильних і слабких сторін кожного
учасника. Така методика підвищує якість прийняття рішень в оперативному плану-
А. В. Бойченко, В.О.Додонов, В.Ф. Залужний, Є.І. Ізварін
110
ванні та безпосередньо впливає на ймовірність успішного виконання завдання, мі-
німізуючи ризики невдачі [16].
Система є універсальною та з можливістю тонкого налаштування для кожної
конкретної мети, для яких спеціально підібраний склад чи персонал продемонструє
більшу результативність. Вона може бути застосована для різних видів діяльності
військ від бойових операцій і тактичних дій до забезпечувальних, інженерних і ло-
гістичних процесів. Незалежно від типу підрозділу чи характеру завдання, прин-
ципи розрахунку спроможностей залишаються незмінними, оскільки базуються на
аналізі людського потенціалу як ключового елемента будь-якої військової струк-
тури.
Висновки
Запропонована система оцінки на основі нейронних мереж дає можливість не
лише визначати рівень підготовки окремого військовослужбовця, але й формувати
об’єктивну картину готовності цілих підрозділів. Це створює критичну перевагу у
військовий час, адже дозволяє приймати рішення, що ґрунтуються на реальних да-
них, а не на суб’єктивних оцінках.
Для створення подібної системи вже існують необхідні інструменти: алгорит-
ми машинного навчання, засоби збору і обробки даних, сучасні аналітичні плат-
форми. Використання цих ресурсів дозволяє об’єднати індивідуальні показники
бійців у єдину інтегровану модель, яка може охоплювати як рівень солдата, так і
цілий батальйон. Така система здатна забезпечити комплексну оцінку бойової го-
товності, виявляти слабкі місця та прогнозувати потенційні ризики.
Особливу цінність ця інформація має на всіх рівнях військового управління:
тактичному, оперативному та стратегічному. На тактичному рівні командир отри-
мує точні дані про можливості своїх підлеглих у конкретних бойових завданнях.
На оперативному рівні можна оцінювати спроможність роти чи батальйону в ці-
лому, а на стратегічному — формувати бачення ресурсів і потенціалу всієї армії.
Таким чином, система стає ключовим елементом сучасного військового управління,
що дозволяє поєднати технології і людський фактор у єдину структуру.
1. Залужний В.Ф. Показники ефективності (якості) комплексної системи забезпечення жи-
вучості розподілених автоматизованих систем організаційного управління силами та засобами.
Реєстрація, зберігання і оброб. даних. 2025. Т. 27, № 1. С. 42–50. https://doi.org/10.35681/1560-
9189.2025.27.1.335693.
2. Josephy‑Hernandez S., Norise C., Han J.Y., Smith K.M. Survey on Acceptance of Passive
Technology Monitoring for Early Detection of Cognitive Impairment. Digital Biomarkers, 2021. Vol. 5,
No. 1. P. 9–15. URL: https://karger.com/dib/article-pdf/5/1/9/2576375/000512207.pdf (Last accesses:
18.06.2025).
3. Субботін С.О. Нейронні мережі: теорія та практика: навч. посіб. Житомир: О.О. Євенок,
2020. 184 с.
4. Бойченко А.В., Додонов В.О., Залужний В.Ф., Ізварін Є.І. Сучасний підхід до розрахунків
можливостей та спроможностей виконання завдань військовими підрозділами з використанням
штучного інтелекту. Реєстрація, зберігання і оброб. даних.. 2025. № 2. С. 45–53. https://doi.org/
10.35681/1560-9189.2025.27.2.345668.
5. Колесницький О.К., Месюра В.І. Нейромережеві моделі та технології обчислювального
інтелекту. Нейрокомп’ютери. Частина І. Вінниця: ВНТУ, 2021. 66 с.
https://doi.org/10.35681/1560-9189.2025.27.2.345668
https://doi.org/10.35681/1560-9189.2025.27.2.345668
Оцінка спроможностей виконання завдань
у мережево-центричній системі з використанням нейронних мереж
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 111
6. Hagos D.H., & Rawat D.B. Neuro-symbolic ai for military applications. IEEE Transactions on
Artificial Intelligence. 2024.
7. Sachenko A., Derysh B., Dubchak L., Sachenko S., & Chereshnyuk O. Real-Time Military
Vehicle Classification via Convolutional Neural Networks. 2025.
8. Cannon C.T., & Goericke S. Using convolution neural networks to develop robust combat
behaviors through reinforcement learning (Doctoral dissertation, Monterey, CA; Naval Postgraduate
School). 2021.
9. Stubičar A., & Šipoš M. Application of neural networks for the detection and classification of
artillery targets. Strategos: Znanstveni časopis Hrvatskog vojnog učilišta. Dr. Franjo Tuđman. 2023. 7(2).
Р. 41–58.
10. Kang B.G., Seo K.M., & Kim T.G. Communication Analysis of Network‐Centric Warfare via
Transformation of System of Systems Model into Integrated System Model Using Neural Network.
Complexity. 2018. 2018(1). 6201356.
11. Chen W., Li W., & Zhang T. Complex network-based resilience capability assessment for a
combat system of systems. Systems. 2024. 12(1). 31.
12. Hagos D.H., & Rawat D.B. Neuro-symbolic ai for military applications. IEEE Transactions on
Artificial Intelligence. 2024.
13. Fossaceca J.M., & Young S.H. Artificial intelligence and machine learning for future army
applications. In Ground/air multisensor interoperability, integration, and networking for persistent isr ix.
SPIE. 2018, May. Vol. 10635. Р. 8–25.
14. Ahmed N.U. Integrating machine learning in military intelligence process: study of futuristic
approaches towards human-machine collaboration. NDC e-journal. 2022. 2(1). Р. 59–89.
15. Методичні рекомендації з огляду спроможностей та планування сил. Міністерство обо-
рони України, 2024. 40 с. URL: https://www.mil.gov.ua/content/other/metod_recom_2019_2.pdf (Дата
звернення: 18.06.2025).
16. Внутрішній контроль у військовій частині: практичний порадник. Міністерство оборони
України.. 72 с. URL: https://mod.gov.ua/assets/poradnuk_cf65f32408.pdf (Дата звернення: 18.06.2025).
Надійшла до редакції 21.11.2025
|
| id | drspiprikievua-article-354610 |
| institution | Data Recording, Storage & Processing |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-09T01:00:24Z |
| publishDate | 2025 |
| publisher | Інститут проблем реєстрації інформації НАН України |
| record_format | ojs |
| resource_txt_mv | drspiprikievua/f4/646ca8d5e47ee1635700b3b931f2b4f4.pdf |
| spelling | drspiprikievua-article-3546102026-06-08T07:18:31Z An evaluation of task performance capabilities in a network-centric system with neural networks usage Оцінка спроможностей виконання завдань у мережево-центричній системі із використанням нейронних мереж Бойченко, А. В. Додонов, В. О. Залужний, В. Ф. Ізварін, Є. І. нейромережа, спроможність, можливість, штучний інтелект neural network, capability, opportunity, artificial intelligence The study considers the problem touching upon analyzing the military unit capabilities. The ability to accurately assess and predict the functional potential of the units is outstanding for effective strategic and operational planning. Established methodologies use strict calculation algorithm and mandatory formulas. Their limitation is an inflexibility during the crucial stages of result verification and validation. To overcome these constraints, a neural network–based framework for capability assessment is proposed. A key novelty is providing a continuous scale of assessment, offering a more nuanced view than traditional classifications. The formation of a training dataset can be carried out using two approaches. The first approach relies on human expert evaluation, where a specialist determines the capability level of a unit based on a predefined scale. The second approach involves the automated generation of labels using formulas, where a specific importance coefficient is assigned to each parameter. Within the suggested distributed architecture, each neural networks handle capability evaluation levels, ensuring modularity, scalability, and system resilience. To build the system can be used open software libraries for machine learning, data collection, and analysis. The approach simplifies the update process for individual system nodes. Input and output parameters can be changed or edited without the need to retrain the network. The results can be deployed into analytical support systems for military commanders and staff at all levels of command and control. The implementation of the system contributes directly to mission success and force preservation by reducing the probability of assigning unattainable or impossible tasks to subordinate units. Fig.: 5. Refs: 17 titles. Розглянуто питання оцінки спроможностей військових підрозділів, що є надзвичайно актуальним у сучасних умовах. Показано що формульні методики оцінювання потребують удосконалення, зокрема уточнення результатів та підвищення швидкості розрахунків особливо у випадках, коли розраховане значення знаходиться на межі між категоріями значень спроможностей. Запропонована система з використанням нейронних мереж для оцінки спроможностей, яка дозволить значно підвищити точність, об’єктивність та оперативність розрахунку спроможностей і можливостей військових підрозділів. Результати можуть бути інтегровані у системи військової аналітики, що покращить ситуаційну обізнаність командування та дозволить уникати свідомо нездійсненних завдань. Інститут проблем реєстрації інформації НАН України 2025-12-23 Article Article application/pdf https://drsp.ipri.kiev.ua/article/view/354610 10.35681/1560-9189.2025.27.3.354610 Data Recording, Storage & Processing; Vol. 27 No. 3 (2025): Special issue; 98-111 Регистрация, хранение и обработка данных; Том 27 № 3 (2025): Спецвипуск; 98-111 Реєстрація, зберігання і обробка даних; Том 27 № 3 (2025): Спецвипуск; 98-111 1560-9189 uk https://drsp.ipri.kiev.ua/article/view/354610/343189 Авторське право (c) 2025 Реєстрація, зберігання і обробка даних |
| spellingShingle | neural network capability opportunity artificial intelligence Бойченко, А. В. Додонов, В. О. Залужний, В. Ф. Ізварін, Є. І. An evaluation of task performance capabilities in a network-centric system with neural networks usage |
| title | An evaluation of task performance capabilities in a network-centric system with neural networks usage |
| title_alt | Оцінка спроможностей виконання завдань у мережево-центричній системі із використанням нейронних мереж |
| title_full | An evaluation of task performance capabilities in a network-centric system with neural networks usage |
| title_fullStr | An evaluation of task performance capabilities in a network-centric system with neural networks usage |
| title_full_unstemmed | An evaluation of task performance capabilities in a network-centric system with neural networks usage |
| title_short | An evaluation of task performance capabilities in a network-centric system with neural networks usage |
| title_sort | evaluation of task performance capabilities in a network-centric system with neural networks usage |
| topic | neural network capability opportunity artificial intelligence |
| topic_facet | нейромережа спроможність можливість штучний інтелект neural network capability opportunity artificial intelligence |
| url | https://drsp.ipri.kiev.ua/article/view/354610 |
| work_keys_str_mv | AT bojčenkoav anevaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage AT dodonovvo anevaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage AT zalužnijvf anevaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage AT ízvarínêí anevaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage AT bojčenkoav ocínkaspromožnostejvikonannâzavdanʹumereževocentričníjsistemíízvikoristannâmnejronnihmerež AT dodonovvo ocínkaspromožnostejvikonannâzavdanʹumereževocentričníjsistemíízvikoristannâmnejronnihmerež AT zalužnijvf ocínkaspromožnostejvikonannâzavdanʹumereževocentričníjsistemíízvikoristannâmnejronnihmerež AT ízvarínêí ocínkaspromožnostejvikonannâzavdanʹumereževocentričníjsistemíízvikoristannâmnejronnihmerež AT bojčenkoav evaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage AT dodonovvo evaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage AT zalužnijvf evaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage AT ízvarínêí evaluationoftaskperformancecapabilitiesinanetworkcentricsystemwithneuralnetworksusage |